DIRECCIÓN
304 cardenal norte
Centro de St. Dorchester, MA 02124
Horas laborales
Lunes a Viernes: 7AM - 7PM
Fin de semana: 10 a. m. - 5 p. m.
Imágenes hiperespectrales para la identificación precisa de especies arbóreas y la recuperación del índice de área foliar en el monitoreo ecológico de manglares
Los manglares se encuentran entre las barreras ecológicas más importantes de los entornos costeros, y su salud afecta directamente la estabilidad de la costa, la biodiversidad y el almacenamiento de carbono. Para comprender el estado de los ecosistemas de manglares, dos indicadores son especialmente importantes: distribución de especies de árboles y índice de área foliar (IAF). En los últimos años, Monitoreo ecológico hiperespectral de manglares se ha convertido en un enfoque cada vez más eficaz para capturar ambos tipos de información con alta precisión y alta eficiencia.
En un estudio realizado en el Reserva Natural Nacional de Manglares del Estuario de Zhangjiang, Se utilizaron imágenes hiperespectrales basadas en UAV para respaldar Identificación precisa de especies de árboles con una cámara hiperespectral y Recuperación del índice de área foliar mediante imágenes hiperespectrales. Los resultados mostraron que la teledetección hiperespectral puede distinguir con precisión las especies dominantes de manglares y proporcionar una estimación confiable del IAF para la evaluación ecológica, la planificación de la restauración y el monitoreo de la vegetación en entornos intermareales complejos.
Por qué es importante el monitoreo ecológico hiperespectral de los manglares
Las reservas de manglares suelen albergar múltiples especies que crecen en patrones fragmentados y superpuestos. Al mismo tiempo, la investigación de campo en humedales costeros suele verse limitada por las mareas, el terreno fangoso y la difícil accesibilidad. Esto hace que los estudios tradicionales de vegetación sean lentos, laboriosos y difíciles de escalar.
La necesidad de una identificación precisa de las especies de árboles
Para la gestión de los manglares, la información a nivel de especie es esencial. Cada especie tiene diferentes funciones ecológicas, respuestas de crecimiento y valores de restauración. Un mapeo preciso de la distribución de las especies ayuda a investigadores y administradores de reservas a comprender la estructura del hábitat y a tomar mejores decisiones de conservación.
Por eso es que Identificación precisa de especies de árboles con una cámara hiperespectral Es una aplicación muy importante. En comparación con los métodos de imagen convencionales, las imágenes hiperespectrales pueden capturar sutiles diferencias espectrales entre especies visualmente similares. Esto las hace especialmente valiosas en entornos de manglares mixtos, donde es difícil lograr una clasificación precisa únicamente mediante imágenes RGB o multiespectrales estándar.
La importancia de la recuperación del índice de área foliar
Recuperación del índice de área foliar con una cámara hiperespectral Es otro componente clave del monitoreo ecológico. El IAF refleja la densidad del dosel, el estado de crecimiento de la vegetación y la capacidad fotosintética. Se utiliza ampliamente para evaluar la productividad de los ecosistemas, la salud de la vegetación y el rendimiento de la restauración.
Los métodos tradicionales de medición del IAF suelen requerir mucho tiempo y son inadecuados para el monitoreo de humedales a gran escala. Por el contrario, Recuperación del índice de área foliar hiperespectral Proporciona una forma más rápida y escalable de estimar los parámetros del dosel en áreas amplias manteniendo al mismo tiempo una gran precisión.
Ventajas de las cámaras hiperespectrales para el monitoreo de manglares
El estudio demuestra cómo las imágenes hiperespectrales pueden ayudar tanto Identificación precisa de especies de árboles y recuperación del índice de área foliar en ecosistemas costeros complejos.
Alta sensibilidad espectral para la diferenciación de especies
Una cámara hiperespectral puede registrar información detallada de reflectancia en un rango espectral continuo, lo que permite detectar pequeñas diferencias en la reflectancia de las hojas y el dosel entre especies. Esta capacidad es especialmente importante para Identificación de especies de árboles basada en cámaras hiperespectrales, donde la clasificación depende de una variación espectral sutil pero estable.
En la reserva del estuario de Zhangjiang, las especies de manglares dominantes, como Kandelia obovata, Aegiceras corniculatum, y Puerto deportivo de Avicennia Se presentan en una distribución de mosaico complejo. Sus diferencias espectrales pueden captarse eficazmente mediante imágenes hiperespectrales, lo que facilita una clasificación más precisa que los métodos de estudio tradicionales.
Alta resolución espacial para el análisis de la estructura del dosel
Además de la riqueza espectral, las imágenes hiperespectrales obtenidas con drones también ofrecen un alto nivel de detalle espacial. A una altitud de vuelo de 100 metros, las imágenes alcanzaron una resolución centimétrica, lo que permitió observar con claridad la estructura del dosel, la textura de las copas y los límites de la vegetación.
Esto es particularmente importante para Monitoreo ecológico hiperespectral de manglares, porque tanto la clasificación de especies como la recuperación del IAF se benefician de la información estructural detallada a nivel de copa y dosel.
Datos fiables para aplicaciones ecológicas
La adquisición estable de imágenes es fundamental para cualquier flujo de trabajo de monitoreo ecológico. Los datos hiperespectrales de alta calidad mejoran la fiabilidad del análisis espectral, la extracción de características, los modelos de clasificación y la inversión de parámetros de la vegetación. En este caso, el flujo de trabajo de imágenes hiperespectrales proporcionó una sólida base de datos para ambos. Reconocimiento fino de especies con cámara hiperespectral y Recuperación del índice de área foliar mediante imágenes hiperespectrales.
Adquisición y preprocesamiento de datos para el monitoreo ecológico hiperespectral de manglares
Un flujo de trabajo sólido comienza con una planificación y un preprocesamiento adecuados de la adquisición de datos. En los humedales costeros, el tiempo y las condiciones ambientales pueden afectar significativamente la calidad de los datos de teledetección.
Planificación de vuelos de UAV y diseño de estudios
El reconocimiento aéreo se realizó en Diciembre de 2024 durante la marea baja, reduciendo la influencia de las mareas en la adquisición de imágenes. El área de estudio se dividió en seis secciones para mejorar la eficiencia del estudio y la consistencia de los datos. Los parámetros de vuelo del UAV se configuraron para garantizar una amplia cobertura y un alto nivel de detalle espacial.
El sistema de imágenes hiperespectrales utilizado en este estudio fue Ramotón RT-FS60. Durante la recopilación de datos, la plataforma logró una resolución terrestre de aproximadamente 4,71 centímetros bajo una altitud de vuelo de 100 metros, con una velocidad de vuelo de 5 m/s y un ángulo de línea de vuelo principal de 87°.
Corrección radiométrica y generación de imágenes
Los datos hiperespectrales brutos se procesaron en ENVI 5.3 Para la corrección radiométrica, se redujo la influencia de los efectos atmosféricos, las condiciones de iluminación y la variación del ángulo solar. Posteriormente, se realizó el registro geométrico y el mosaico de franjas para generar una imagen hiperespectral completa de la reserva de manglares.
Extracción del área de manglares
Para aislar la vegetación de manglares de superficies no objetivo, los investigadores aplicaron un Método del umbral del NDVI utilizando una gama de 0,53 a 1,00. Este proceso ocultó cuerpos de agua, marismas salinas y superficies artificiales. El resultado se refinó mediante interpretación manual, lo que garantizó la extracción precisa del área de manglares para su posterior análisis.
Este flujo de trabajo de preprocesamiento fue esencial para mejorar el rendimiento de Identificación de especies de árboles mediante cámara hiperespectral y Recuperación del índice de área foliar hiperespectral.
Identificación precisa de especies de árboles con una cámara hiperespectral
Después del preprocesamiento, la investigación se centró en Identificación precisa de especies de árboles con una cámara hiperespectral, que es uno de los objetivos centrales del estudio.
Segmentación multiescala y construcción de características
Las imágenes hiperespectrales procesadas se analizaron utilizando un método de segmentación multiescala orientado a objetos. Se determinó que la escala de segmentación óptima era 25, con una escala fusionada de 80, reduciendo eficazmente el riesgo de sobresegmentación o subsegmentación.
Un total de 323 características Se construyeron a partir de los datos, incluidos:
- Características originales de la banda espectral
- Índices de vegetación
- Características de textura
- Características de forma
- Características de altura derivadas del LiDAR
- Características de intensidad derivadas del LiDAR
Este conjunto de características de alta dimensión proporcionó una base sólida para Identificación precisa de especies de árboles basada en cámaras hiperespectrales en manglares mixtos.
Selección de características y clasificación de aprendizaje profundo
Después de eliminar el análisis de correlación 273 funciones altamente redundantes, las variables restantes se analizaron mediante:
- RF-RFE
- XGBoost
- LightGBM
La intersección de los resultados seleccionados generó una Conjunto de características óptimas de 14 dimensiones, incluidas variables sensibles espectrales, estructurales y relacionadas con el dosel.
Estas características se introdujeron luego en el Swin-UperNet Modelo de aprendizaje profundo para clasificar las especies dominantes de manglares. Este flujo de trabajo permitió una discriminación precisa entre... Kandelia obovata, Aegiceras corniculatum, y Puerto deportivo de Avicennia, mostrando el valor práctico de Reconocimiento fino de especies con cámara hiperespectral en aplicaciones ecológicas.
Resultados de la identificación de especies de árboles
La precisión de clasificación general alcanzada 91.18%, con un Coeficiente kappa de 0,85, lo que indica una fuerte concordancia entre las predicciones del modelo y las condiciones de campo.
La precisión del productor para cada especie fue:
- Aegiceras corniculatum: 92.08%
- Puerto deportivo de Avicennia: 91.38%
- Kandelia obovata: 90.66%
Estos resultados confirman que Identificación precisa de especies de árboles con una cámara hiperespectral Puede proporcionar mapas de especies precisos y prácticos para el monitoreo del ecosistema de manglares.
Recuperación del índice de área foliar mediante imágenes hiperespectrales
Con base en los resultados de la clasificación de especies, el siguiente paso fue Recuperación del índice de área foliar mediante imágenes hiperespectrales, que es otro de los ejes centrales de este estudio.
Estrategia de recuperación de LAI específica para cada especie
En lugar de aplicar un único modelo a toda la vegetación de manglares, los investigadores seleccionaron características sensibles por separado para cada especie. Esta estrategia específica para cada especie mejoró la precisión de Recuperación del índice de área foliar mediante cámara hiperespectral, porque la estructura del dosel y la respuesta espectral varían entre las diferentes especies de manglares.
Desarrollo y comparación de modelos
Las características seleccionadas se incorporaron en tres algoritmos de estimación de LAI:
- SVR
- PLSR
- BPNN
Al combinar diferentes métodos de selección de características con estos algoritmos, el equipo de investigación construyó Nueve modelos híbridos cruzados y compararon su rendimiento de recuperación.
Los modelos óptimos se identificaron de la siguiente manera:
- RF-RFE + SVR para Kandelia obovata
- RF-RFE + SVR para Puerto deportivo de Avicennia
- XGBoost + BPNN para Aegiceras corniculatum
Este enfoque mejoró significativamente Recuperación del índice de área foliar hiperespectral rendimiento a nivel de especie.
Resultados de recuperación de LAI
Los valores de LAI recuperados fueron altamente consistentes con las mediciones de campo.
Los rangos estimados de LAI fueron:
- Kandelia obovata: 0,897–3,001, media 1,416
- Aegiceras corniculatum: 0,934–1,919, media 1,355
- Puerto deportivo de Avicennia: 0,913–2,221, media 1,443
Entre los modelos, el resultado para Puerto deportivo de Avicennia Fue especialmente fuerte:
- R² = 0,87
- MAE = 0,02
- RMSE = 0,04
Para Kandelia obovata, el modelo logró:
- R² = 0,81
- MAE = 0,09
- RMSE = 0,05
Estos resultados demuestran que Recuperación del índice de área foliar con una cámara hiperespectral Puede producir información confiable y precisa sobre el dosel para el análisis ecológico y el monitoreo de la restauración.
Valor ecológico del monitoreo ecológico hiperespectral de manglares
La importancia de este estudio va más allá de la precisión técnica. También muestra cómo Monitoreo ecológico hiperespectral de manglares Puede apoyar la gestión práctica de los ecosistemas y la toma de decisiones científicas.
Revelando patrones espaciales en la condición de los manglares
El estudio reveló una clara tendencia espacial en el IAF de los manglares en toda la reserva, mostrando un patrón de disminuyendo de norte a sur, luego aumentando y disminuyendo nuevamente. Esta información espacial proporciona información valiosa sobre el estado de la vegetación, la variación del hábitat y la función ecológica.
Mejorar la interpretación ecológica con características de múltiples fuentes
Otro hallazgo importante fue la contribución combinada de características de altura y características de intensidad a la estimación del IAF. Esto confirma que la integración de la información espectral con las características estructurales puede mejorar el rendimiento de Recuperación del índice de área foliar hiperespectral y mejorar la interpretación de la dinámica del dosel de manglares.
Apoyando la conservación y la restauración
Combinando Identificación precisa de especies de árboles con una cámara hiperespectral y Recuperación del índice de área foliar mediante imágenes hiperespectrales, Los investigadores y gestores de conservación pueden obtener información más precisa para:
- Planificación de la conservación de los manglares
- Evaluación de la eficacia de la restauración
- Monitoreo de la salud de la vegetación
- Gestión de recursos de humedales
- Observación del ecosistema a largo plazo
Esto hace que la teledetección hiperespectral sea una herramienta muy valiosa para la protección ecológica costera.
Información del producto para el monitoreo de la vegetación aérea
Para aplicaciones de monitoreo de vegetación aérea, el sistema utilizado en este estudio fue Ramotón RT-FS60. Sus especificaciones principales incluyen:
- Rango espectral: 400–1000 nm
- Resolución espectral: 2,5 nm
- Bandas espectrales: 1200
- Píxeles espaciales: 1920
Estas características técnicas hacen que las imágenes hiperespectrales sean muy adecuadas para:
- Identificación de especies de árboles finos
- Recuperación del índice de área foliar
- Monitoreo ecológico de manglares
- Análisis de la vegetación de humedales
- Estudios de recursos forestales
- Evaluación del crecimiento de los cultivos
Conclusión
Este estudio en la Reserva Natural Nacional de Manglares del Estuario de Zhangjiang muestra que la teledetección hiperespectral es muy eficaz para Identificación precisa de especies de árboles con una cámara hiperespectral, Recuperación del índice de área foliar con una cámara hiperespectral, y Monitoreo ecológico hiperespectral de manglares.
Con una precisión general de clasificación de especies de 91.18% y un error de recuperación de LAI tan bajo como 0.04, El flujo de trabajo demuestra el gran potencial de las imágenes hiperespectrales obtenidas con drones en ecosistemas costeros complejos. Proporciona datos precisos y eficientes para la conservación, restauración y gestión de manglares, a la vez que ofrece un amplio potencial de aplicación en la silvicultura, los humedales y el monitoreo de la vegetación.
